[发明专利]基于图卷积和迁移学习的脑控智能全肢体康复方法

说明书

一种基于图卷积和迁移学习的脑控智能全肢体康复方法，包括：构建脑电信号数据的目标域和源域；构建脑网络矩阵和节点特征，并作为图模型数据；构建图卷积迁移学习模型；构建图卷积迁移学习模型的损失函数；输入源域图模型数据和目标域图模型数据对图卷积迁移学习模型进行训练；通过脑电采集装置采集被试者的脑电数据并构建图模型，将图模型输入优化完毕的图卷积迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。本发明通过脑控智能全肢体康复设的外骨骼康复器械协助使用者完成康复训练。

技术领域

本发明涉及一种脑控智能全肢体康复方法。特别是涉及一种基于图卷积和迁移学习的脑控智能全肢体康复方法。

背景技术

随着社会与科技的发展，人们对自身健康状况日益重视，同时也对医疗技术方面提出更高的要求，比如关于脑疾病的医疗手段。由于人脑具有高度复杂的结构和功能，人们希望通过理解大脑的运转机制来了解一些脑疾病的病理特征以及对应的诊断方法，如阿尔茨海默症(Alzheimer’s disease,AD)、抑郁症(Major Depressive Disorder，MDD)以及帕金森氏症(Parkinson’s disease,PD)等。因此，世界各国在该方面的研究也投入了大量的物力和人力，如美国与欧盟的大脑研究计划。脑电图是一种反应大脑活动时电波变化的多通道时序信号，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，与人类生命的健康息息相关。近些年来，基于脑电图的研究取得了丰硕的成果，被广泛应用于脑科学临床实践当中，也为进一步对神经性疾病的早期诊断及治疗提供了新的途径。因此，研究如何基于脑电图进行分类，对于临床神经学研究和人体健康都具有非常重要的意义。根据已有的研究表明，脑电图在空间维上具有一定的同步性和异步性，在时间维度上具有一定的规律性，这些都集中反映了大脑在特定状态下的活动状况，因此，揭示脑电在空间上的耦合性和时间上的依赖性对于脑电分类至关重要。同时，由于脑电图具有多样性，即使是同一个体，在不同时间段下对于同一事件的反应所表现出来的脑电波也存在不同程度的差异，这使得将基于已有数据所构建的分类模型在实际应用中可能出现分类性能大幅降低的情况，因而从脑电图中提取出具有跨域不变性的特征对提升分类模型泛化性能具有重要作用。

发明内容

本发明所要解决的技术问题是，提供一种用于从脑电图中提取具有跨域不变性和可分性的脑电特征，提升分类模型泛化性能，解决脑电分类问题的基于图卷积和迁移学习的脑控智能全肢体康复方法。

本发明所采用的技术方案是：一种基于图卷积和迁移学习的脑控智能全肢体康复方法，包括如下步骤：

1)构建脑电信号数据的目标域和源域

2)构建脑网络矩阵和节点特征，并作为图模型数据；

3)构建图卷积迁移学习模型；

4)构建图卷积迁移学习模型的损失函数；

5)输入源域图模型数据和目标域图模型数据对图卷积迁移学习模型进行训练；

6)通过脑电采集装置采集被试者的脑电数据并构建图模型，将图模型输入优化完毕的图卷积迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。

本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法，具有如下有益效果：

(1)提出了一种基于图卷积和迁移学习的图卷积迁移学习模型；

(2)该方法有望与康复医疗相结合，用于对脑卒中使用者的脑电信号进行识别，辨识使用者运动意图，并通过脑控智能全肢体康复设的外骨骼康复器械协助使用者完成康复训练。

附图说明